[發明專利]一種基于生成對抗網絡的安全無嵌入隱寫方法

有效

• 申請號: 202011094188.2
• 申請日: 2020-10-14
• 公開（公告）號: CN112243005B
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 胡東輝;張雨;蔣文杰;嚴淞
• 申請（專利權）人: 合肥工業大學
• 主分類號: H04L9/40
• 分類號: H04L9/40;H04L9/08;G06T1/00;G06N3/04;G06N3/08
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 陸麗莉;何梅生

1.一種基于生成對抗網絡的安全無嵌入隱寫方法，其特征是應用于由發送方、接收方、判別方和第三方所構成的網絡環境中，并按如下步驟進行：

步驟1、利用openssl工具生成密鑰對，包括：生成密鑰en_key和提取密鑰de_key；

步驟2、所述第三方將所述生成密鑰en_key分發給所述發送方，將所述提取密鑰de_key分發給所述接收方；

步驟3、訓練基于GAN的安全無嵌入隱寫模型：

步驟3.1、獲取真實圖像集并作為預訓練數據集w；

步驟3.2、令所述安全無嵌入隱寫模型是由生成模型G、判別模型D和提取模型E組成，且所述生成模型G是由全連接層和多層反卷積層組成；所述判別模型D和提取模型E均是由全連接層和多層卷積層組成；

步驟3.3、預訓練所述生成模型G和判別模型D；

步驟3.3.1、將所述生成密鑰en_key與噪聲向量k連接到一起并作為所述生成模型G的輸入z，從而經過所述生成模型G中，得到載密圖像w′＝G(z)；

將所述預訓練數據集w和載密圖像w′輸入所述判別模型D中，并輸出判別分數D(w)和D(w′)；

步驟3.3.2、建立如式(1)所示的生成模型G的損失函數L_G：

L_G＝log(1-D(w′)) (1)

步驟3.3.3、建立如式(2)所示的判別模型D的損失函數L_D：

L_D＝log(1-D(w′))+log D(w) (2)

步驟3.3.4、在預訓練過程中，建立如式(3)所示的目標函數L_(G,D)：

L_(G,D)＝L_G+L_D (3)

步驟3.3.5、利用Adam優化算法對所述目標函數L_(G,D)進行優化求解，直到使得損失函數L_G的值和L_D的值在相互對抗中收斂到最優，從而得到預訓練后的生成模型G′和判別模型D′；

步驟3.4、中期訓練所述預訓練后的生成模型G′和判別模型D′以及所述提取模型E；

步驟3.4.1、按所述預訓練方式繼續訓練所述生成模型G′和判別模型D′，從而獲得更新后的生成模型G″和判別模型D″；

步驟3.4.2、將所述載密圖像w′和所述提取密鑰de_key輸入所述提取模型E中，輸出恢復信息k′；

步驟3.4.3、建立如式(4)所示的提取模型E的損失函數L_E：

式(4)中，λ₁和λ₂為兩個信息恢復權重，N表示由生成的載密圖像w′和提取密鑰de_key所構成輸入向量的維度；

步驟3.4.4、建立如式(5)所示的目標函數L_(G,E)：

L_(G,E)＝λ_GL_G+λ_EL_E (5)

式(5)中，λ_G，λ_E分別表示預訓練后的生成模型G′和所述提取模型E的訓練權重；

步驟3.4.5、利用Adam優化算法對所述目標函數L_(G,E)進行優化求解，直到使得損失函數L_G的值和L_E的值在訓練中收斂到最優，從而得到中期訓練后的提取模型E′和訓練好的生成模型G^*和判別模型D^*；

步驟3.5、后期訓練所述中期訓練后的提取模型E′；

步驟3.5.1、將所述載密圖像w′和提取密鑰de_key輸入中期訓練后的提取模型E′中，并輸出恢復信息k′；

步驟3.5.2、建立如式(6)所示的后期訓練中的提取模型E′的損失函數L_E′：

式(6)中，λ₃和λ₄為另兩個信息恢復權重；

步驟3.5.3、利用Adam優化算法對所述損失函數L_E′進行優化求解，直到使得損失函數L_E′的值收斂到最優，從而得到訓練好的提取模型E^*；

步驟4、隱寫過程：

步驟4.1、所述發送方擁有訓練好的生成模型G^*，并將秘密信息m和生成密鑰en_key連接到一起后輸入到所述生成模型G^*中，生成載密圖像w′；

步驟4.2、所述發送方確定每幅圖像的隱寫容量L；

步驟4.3、所述發送方根據所述隱寫容量L確定發送所述秘密信息m需要的載密圖像數目其中，length()表示秘密信息的長度；

步驟4.4、所述發送方將秘密信息m劃分為n個小塊，且每個小塊的秘密信息長度為L；

步驟4.5、根據式(7)將每個小塊中的秘密信息m＝{m₁,m₂…,m_n}分別映射成噪聲向量z＝{z₁,z₂…,z_n}；其中，m_i表示第i個小塊中包含的秘密信息，z_i表示第i個小塊中包含的噪聲向量，i＝1…n；

式(8)中，random(x,y)表示從x到y的區間內產生一個隨機噪聲值，σ表示一維噪聲向量所映射的信息位數，δ是相鄰區間劃分的間隔值；

步驟4.6、所述發送方按塊為單位將z＝{z₁,z₂…z_n}分別與生成密鑰en_key相連接輸入到所述生成模型G^*中，依次生成載密圖像w′＝{w′₁,w′₂…w′_n}并發送給所述接收方，其中，w′_i表示第i個小塊中包含的載密圖像；

步驟5、提取過程：

步驟5.1、所述接收方擁有訓練好的提取模型E^*，并將按順序收到的載密圖像w′＝{w′₁,w′₂…w′_n}和提取密鑰de_key分別按位相加后輸入到所述提取模型E^*中，從而依次恢復出n塊的噪聲向量z′＝{z′₁,z′₂…z′_n}，然后利用式(7)恢復出秘密信息m′＝{m′₁,m′₂…m′_n}。